Question

我有一个我要解析其中一部分的URL，特别是widgetid：

<a href="http://www.somesite.com/process.asp?widgetid=4530">Widgets Rock!</a>

我写过这篇Python（我在Python上有点新手 - 版本是2.7）：

import re
from bs4 import BeautifulSoup

doc = open('c:\Python27\some_xml_file.txt')
soup = BeautifulSoup(doc)


links = soup.findAll('a')

# debugging statements

print type(links[7])
# output: <class 'bs4.element.Tag'>

print links[7]
# output: <a href="http://www.somesite.com/process.asp?widgetid=4530">Widgets Rock!</a>

theURL = links[7].attrs['href']
print theURL
# output: http://www.somesite.com/process.asp?widgetid=4530

print type(theURL)
# output: <type 'unicode'>

is_widget_url = re.compile('[0-9]')
print is_widget_url.match(theURL)
# output: None (I know this isn't the correct regex but I'd think it
#         would match if there's any number in there!)

我认为我错过了正则表达式（或者我对如何使用它们的理解），但我无法理解。

感谢您的帮助！

Answer 1

这个问题与BeautifulSoup没有任何关系。

问题在于，the documentation explains，match仅匹配字符串的开头。由于您要查找的数字位于字符串的末尾，因此不返回任何内容。

要匹配任何地方的数字，请使用search - 您可能希望将\d实体用于数字。

matches = re.search(r'\d+', theURL)

Answer 2

我认为你不想重拍 - 你可能想要：

from urlparse import urlparse, parse_qs
s = 'http://www.somesite.com/process.asp?widgetid=4530'
qs = parse_qs(urlparse(s).query)
if 'widgetid' in qs:
   # it's got a widget, a widget it has got...

Answer 3

使用urlparse：

from urlparse import urlparse, parse_qs
o = urlparse("http://www.somesite.com/process.asp?widgetid=4530")
if "widgetId" in parse_qs(o.query):
    # this is a 'widget URL'

如何通过BeautifulSoup提取后通过正则表达式运行属性值？

3 个答案: